新光子芯片助力深度学习，神经网络算法可采用新型光子技术更快实现

Posted 2021-04-24 DeepTech深科技

基于人工神经网络算法的计算机深度学习系统已成为目前计算机领域研究的前沿热点，它的原理是使人工神经网络算法模仿人脑从实践中学习的方式进行学习。它除了可以用来实现面部和声音识别以外，还可通过搜寻大量的医学数据来进行医学诊断，或者通过搜寻化学方程式来寻找潜在的新药合成方式。

但是这类的系统的计算非常复杂，对机器要求很高，即使对于现有性能最强的计算机也不是件容易的事。

 

然而，来自于MIT的研究团队和他们的合作者，提出一种新的方法，用光子代替电子，来进行计算。他们表示这种方法将会大大提高计算速度和效率。他们的实验结果今天发表在著名期刊《自然.光子学》（Nature Photonics ）上，论文作者包括MIT博士后沈亦晨，研究生Nicholas Harris, Marin Soljačić和Dirk Englund教授以及另外8个合作研究者。

图丨可编程纳米光子处理器概念图

 

事实上，很多研究者长期以来都在推广基于光子的计算机。但Soljačić表示，“他们太过于乐观，结果往往事与愿违”。尽管很多基于光子计算机的应用都是不切实际的，但基于光子的神经网络系统“可能对于某些应用的深度学习算法是可行的”，他说道。

 

Soljačić的言论并非毫无道理。众所周知，在人工智能算法中，包含有多次矩阵相乘的运算，基于传统计算机架构的CPU和GPU在处理这些运算的时候非常吃力，计算效率较低。针对这一问题，Soljačić和他的研究团队经过多年的研究提出了这种基于光学的计算方法。“这种光学芯片的优点在于一但被设置好，那么它开展矩阵乘法运算所消耗的能量，理论上说可以为0。” Soljačić说，“虽然目前我们还没研制出整个系统，但已经实现了核心部件的验证”

 

图丨Marin Soljačić

Soljačić打比方说，即使是一个最普通的眼镜镜片也会对穿过它的光波有一个复杂的运算：傅立叶变换。新的光子芯片所执行的运算虽然比傅立叶变换简单的多，但基本原理类似。这种芯片使用多光束干涉技术，其干涉条纹信息反映了所需计算的结果。研究者称这种芯片为可编程纳米光子处理器。

 

沈亦晨表示，实验结果显示这种光子芯片架构理论上可以以更快的速度、更小的功耗来运行人工智能算法：进行相同的一次运算所需的能量损耗甚至低于传统芯片的千分之一。“利用光子来做矩阵乘法运算的内秉属性是功耗降低和速度提升的主要原因，因为密集的矩阵乘法运算是人工智能算法中最耗时间和功率的。”

 

图丨沈亦晨

这种纳米光子处理器由Englund实验室的Harris等人研发。它基于一系列相互连接的光波导对光子进行导引，这些光波导的连接可根据需要进行设定和编程，以实现特定的运算目的。“你可以编程实现任一矩阵操作” Harris说。团队的终极计划是利用多层交错的装置实现非线性激活函数操作，就像大脑中神经元的作用一样。

 

为了验证这一概念，团队利用这个可编程纳米光子处理器去实现辨识四个基本元音的神经网络算法。结果发现，尽管仅仅使用了一个初级的系统，他们也获得了77%的准确率，而传统系统的准确率为90％。Soljačić表示，扩展系统以获得更高的准确度“不存在障碍”。

 

Englund补充道，这个可编程纳米光字处理器也可有其他方面的用途，如数据传输过程中的信号处理。“高速模拟信号处理是此类处理器可以完成的”，而且要快于那些基于模拟——数字转换的方法，因为光本身就是一种模拟的介质。“这种方法可以直接在模拟域进行运算”他说到。

 

与此同时，团队也表示还需要大量的时间和努力来使得这个系统可以实际应用。而且，一旦这种系统扩展成功并且完全的发挥其作用，它可以有非常多的应用，比如数据中心或安全系统。这个系统还可以用于无人驾驶汽车或无人机，Harris表示，“在任何你需要进行大量运算但却受到时间和功率限制的情况下，它都可以派上用场。”